Deep Learning을 공부하고자 하는 많은 입문자들을 위하여 내가 공부하면서 입문서로 가장 도움이 되었던 Michael Nielsen의 온라인 도서를 여기 장별로 정리하여 두고자 한다.
이 장에서 나오는 내용들은 그의 온라인 도서 부록에 대한 내용을 한국어로 얼기설기 번역한 것이다. 번역이 어색하지만, 개념을 이해하기에는 무리가 없다고 생각한다.
이 책에서는 신경망의 핵심 원리, 즉 신경망이 어떻게 작동하고 패턴 인식 문제를 해결하는 데 어떻게 사용될 수 있는지에 집중했습니다. 이는 즉각적인 실용적 응용 분야가 많습니다. 하지만 물론, 신경망에 대한 관심의 한가지 이유는 언젠가 신경망이 이러한 기본적인 패턴 인식 문제를 훨씬 뛰어넘을 것이라는 희망 때문입니다. 아마도 신경망이나 디지털 컴퓨터를 기반으로 한 다른 접근법이 결국 인간의 지능과 같거나 능가하는 사고하는 기계를 기계를 만드는데 사용될 수 있을까요? 이 개념은 책에서 논의된 내용을 훨씬 뛰어 넘는 것인데, 전 세계 누구도 이것을 어떻게 해야하는지 알지 못합니다. 그러나 추측해보는 것은 재미있는 일입니다.
컴퓨터가 인간의 지능과 필적하는 것이 과연 가능한지에 대해 많은 논쟁이 있습니다. 그 질문에 대해 다루지는 않겠습니다. 계속되는 논쟁에도 불구하고 많은 사람들이 지능적인 컴퓨터가 가능하다고 믿습니다. 비록 극도로 복잡하고 현재 기술 수준을 훨씬 뛰어넘을 수는 있지만 말이죠. 현재의 회의론자들은 언제가 생기론자들처럼 보일 것입니다.
대신, 여기서 탐구해보고자 하는 질문은 지능을 설명하는데 사용될 수 있는 간단한 원칙의 집합이 있는가입니다. 특히 더 구체적으로 지능을 위한 간단한 알고리즘이 존재하는가입니다.
지능을 위한 정말 간단한 알고리즘이 있다는 생각은 대담한 아이디어입니다. 너무 낙관적이어서 사실 아닐 것 같기도 합니다. 많은 사람들은 지능이 상당한 환원 불가능한 복잡성을 가지고 있다는 강한 직관을 가지고 있습니다. 그들은 인간 사고의 놀라운 다양성과 유연성에 깊은 인상을 받아 지능을 위한 간단한 알고리즘은 불가능하다고 결론짓곤 합니다. 이러한 직관에도 불구하고 저는 섣불리 판단하는 것은 현명하지 않다고 생각합니다. 과학의 역사는 현상이 처음에는 극도로 복잡해 보였지만 나중에는 간단하면서도 강력한 아이디어 집합으로 설명된 사례들로 가득합니다.
예를 들어 초기 천문학을 생각해 봅시다. 인류는 고대부터 하늘에 태양, 달, 행성, 혜성, 별 등 다양한 천체들이 있다는 것을 알고 있었습니다. 이 천체들은 매우 다른 방식으로 움직였습니다. 예를 들어 별들은 하늘을 가로질러 장엄하고 규칙적으로 움직이는 반면, 혜성은 마치 어디선가 나타나 하늘을 가로질러 쏜살같이 움직이다가 사라지는 것처럼 보였습니다. 16세기에는 이 모든 천체의 움직임을 간단한 원칙의 집합으로 설명할 수 있다고 상상하는 사람은 어리석은 낙관주의자였을 것입니다. 하지만 17세기에 뉴턴은 그의 만유인력 이론을 정립했습니다. 이는 이 모든 움직임을 설명했을 뿐만 아니라 조수나 지구에 속박된 물체들의 행동과 같은 지상 현상까지도 설명했습니다. 돌이켜보면 16세기의 어리석은 낙관주의자는 너무 적게 요구한 비관주의자처럼 보입니다.
물론 과학에는 이러한 예가 훨씬 더 많습니다. 우리 세계를 구성하는 수많은 화학물질이 멘델레예프의 주기율표로 아릅답게 설명되고 이것은 다시 양자 역학에서 얻을 수 있는 몇 가지 간단한 규칙으로 설명되는 것을 생각해보세요. 혹은 생물학적 세계에 왜 그렇게 많은 복잡성과 다양성이 존재하는지에 대한 수수께끼도 자연 선택에 의한 진화원리에 그 기원이 있다는 것이 밝혀졌습니다. 이러한 예시들과 다른 많은 사례들은 우리 뇌가 하는 일이 매우 복잡해 보인다는 이유만으로 지능에 대한 간단한 설명을 배제하는 것이 현명하지 않다는 것을 시사합니다.
반대로, 이러한 낙관적인 예시에도 불구하고 지능이 근본적으로 다른 수많은 메커니즘으로만 설명될 수 있다는 것도 논리적으로 가능합니다. 우리 뇌의 경우 이 수많은 메커니즘은 우리 종의 진화 역사에서 여러 다른 선택 압력에 대한 반응으로 진화했을 수도 있습니다. 만약 이 관점이 옳다면 지능은 상당한 환원 불가능한 복잡성을 포함하며, 지능을 위한 어떤 단순한 알고리즘도 불가능합니다.
이 두 가지 관점 중 어느 것이 옳을까요?
이 질문에 대한 통찰을 얻기 위해, 이와 밀접하게 관련된 질문을 해 봅시다. 바로 인간의 뇌가 어떻게 작동하는지에 대한 간단한 설명이 있는가 하는 것입니다. 특히 뇌의 복잡성을 정량화하는 몇 가지 방법을 살펴보겠습니다.
우리의 첫 번째 접근 법은 커넥토믹스(connectomics)의 관점에서 뇌를 보는 것입니다. 이것은 뇌의 원초적인 배선에 관한 모든 것입니다. 뇌에 얼마나 많은 뉴런, 교세포, 그리고 뉴런들 사이의 연결이 있는지를 다룹니다. 아마 이 숫자들을 들어보셨을 것입니다. 뇌에는 대략 1,000억 개의 뉴런, 1,000억 개의 교세포, 그리고 뉴런 사이에는 100조 개의 연결을 가지고 있습니다. 이 숫자들은 엄청납니다. 또한 위압적이기도 합니다. 뇌가 어떻게 작동하는지 이해하기 위해 이 모든 연결(뉴런과 교세포는 말할 것도 없고)의 세부 사항을 이해해야한다면 우리는 결코 지능을 위한 단순한 알고리즘에 도달할 수 없을 것입니다.
두 번째, 좀 더 낙관적인 관점이 있습니다. 바로 분자 생물학 관점에서 뇌를 보는 것입니다. 이 아이디어는 뇌의 구조를 설명하는데 얼마나 많은 유전정보가 필요한지 묻는 것입니다. 이 질문에 접근하기 위해서 우리는 인간과 침팬지 사이의 유전적 차이로 부터 시작해보겠습니다. 아마 "인간은 98% 침팬지다"라는 한두 문장짜리 말을 들어보셨을 것입니다. 이 말은 때때로 변형되기도 하는데 95% 또는 99%로 말하기도 합니다. 이러한 차이가 발생하는 이유는 이 수치들이 원래 전체 게놈이 아닌 인간과 침팬지 게놈의 샘플을 비교하여 추정되었기 때문입니다. 그러나 2007년에 전체 침팬지 게놈이 염기서열 분석되었고, 우리는 이제 인간과 침팬지 DNA가 대략 1억 2,500만 개의 DNA 염기쌍에서 다르다는 것을 압니다. 이는 게놈에 있는 총 30억 개의 DNA 염기쌍 중에서 나온 수치입니다. 따라서 인간이 98% 침팬지라고 말하는 것은 옳지 않습니다. 우리는 96%에 가깝습니다.
그 1억 2,500만 개의 염기쌍에는 얼마나 많은 정보가 있을까요? 각 염기쌍은 네 가지 가능성 중 하나로 표시될 수 있습니다. 네 가지 가능성은 유전 코드의 "문자"인 아데닌, 시토신, 구아닌, 티민을 뜻합니다. 따라서 각 염기쌍은 2비트의 정보로 설명될 수 있습니다. 네 가지 라벨 중 하나를 지정하기에 충분한 정보입니다. 따라서 1억 2,500만 개의 염기쌍은 2억 5,000만 비트 정보에 해당합니다. 이것이 인간과 침팬지의 유전적 차이입니다.
물론 이 2억 5,000만 비트는 인간과 침팬지 사이의 모든 유전적 차이를 설명합니다. 우리는 뇌와 관련된 차이에만 관심이 있습니다. 불행히도 전체 유전적 차이 중 얼마만큼이 뇌의 차이를 설명하는 데 필요한지 아무도 모릅니다. 하지만 논의를 위해 그 2억 5,000만 비트의 절반 정도가 뇌의 차이를 설명한다고 가정해 봅시다. 그러면 총 1억 2,500만 비트가 됩니다.
1억 2,500만 비트는 인상적으로 큰 숫자입니다. 이 숫자가 얼마나 큰지 좀 더 인간적인 용어로 바꾸어서 느껴봅시다. 특히 얼마나 많은 양의 영어 텍스트에 해당하는지 알아봅시다.
영어 텍스트의 정보량은 글자당 약 1 비트입니다. 알파벳이 26글자라는 점을 생각하면 낮게 들릴 수 있지만, 영어 텍스트에는 엄청난 양의 중복이 있습니다. 물론 우리 게놈도 중복이 있으니 염기쌍당 2비트는 과대평가라고 주장할 수 있습니다. 하지만 이 경우 최악의 상황에도 우리가 뇌의 유전적 복잡성을 과대 평가하는 것일 뿐이므로 이점은 무시하겠습니다.
이러한 가정 하에 우리 뇌와 침팬지 뇌 사이의 유전적 차이는 약 1억 2,500만 글자 또는 약 2,500만 단어에 해당합니다. 이는 킹 제임스 성경의 약 30배에 해당하는 양입니다.
이것은 엄청난 양의 정보입니다. 하지만 이해할 수 없을 정도로 거대한 양은 아닙니다. 인간이 다룰 수 있을 정도의 규모입니다. 아마 한 사람이 이 코드에 쓰인 모든 것을 결코 이해할 수 없어도 한 그룹의 사람들이 적절한 전문화를 통해 집단적으로 이해할 수 있을 것입니다.
그리고 이것은 많은 양의 정보임에도 불구하고 우리 뇌의 1,000억 개 뉴런, 1,000억 개 교세포, 100조 개 연결을 설명하는 데 필요한 정보와 비교하면 미미한 수치입니다. 간단하고 대략적인 묘사를 사용하더라도(예: 각 연결을 특성화하기 위해 10개의 부동 소수점 수를 사용), 약 7경 비트가 필요할 것입니다. 이는 유전적 묘사가 인간 뇌의 전체 커넥톰보다 복잡성이 약 5억배 낮다는 것을 의미합니다.
여기서 우리가 알게된 것은 우리 게놈이 모든 신경 연결에 대한 세부적인 설명을 담고 있을 수 없다는 것입니다. 오히려 뇌의 광범위한 아키텍처와 기본 원칙만을 명시해야합니다. 하지만 그 아키텍처와 원치만으로도 우리 인간이 지능적으로 성장할 수 있음을 보장하기에 충분해 보입니다. 물론 성장하는 아이들은 지적 잠재력을 달성하기 위해 건강하고 자극적인 환경과 좋은 영향을 필요로 한다는 전제 조건은 있습니다. 그러나 합리적인 환경에서 자란다면 건강한 인간은 놀라운 지능을 갖게 될 것입니다. 어떤 의미에서 우리 유전자 속의 정보는 우리가 생각하는 방식의 본질을 담고 있습니다. 게다가 그 유전 정보에 담긴 원칙들은 우리가 집단적으로 파악할 수 있는 범위 내에 있을 가능성이 높습니다.
위의 수치들은 매우 대략적인 추정치입니다. 1억 2,500만 비트가 업청난 과대 평가일 수도 있고, 인간 사고의 밑바탕에는 훨씬 더 압축적인 핵심 원칙들이 있을 수도 있습니다. 아마 그 1억 2,500만 비트의 대부분은 상대적으로 사소한 세부 사항에 대한 미세 조정일 수도 있습니다. 아니면 우리가 숫자를 계산할 때 지나치게 보수적이었을 수도 있습니다. 물론, 이것이 사실이라면 아주 좋겠지만요! 현재 우리의 목적을 위해 중요한 점은 이것입니다. 뇌의 아키텍처는 복잡하지만 뇌의 연결 수에 기반하여 생각하는 것만큼 복잡하지는 않다는 것입니다. 분자 생물학 과점에서 본 뇌는 우리 인간이 언젠가 뇌 아키텍처의 기본 원칙들을 이해할 수 있을 것이라고 시사합니다.
지금까지 1억 2,500만 비트가 단순히 인간과 침팬지 뇌 사이의 유전적 차이를 정량화한다는 사실을 무시했습니다. 우리 뇌 기능의 전부는 그 1억 2,500만 비트 때문이 아닙니다. 침팬지는 그 자체로도 뛰어난 사고자입니다. 아마 지능의 핵심은 침팬지와 인간이 공유하는 정신적 능력(및 유전 정보)에 주로 있을 수도 있습니다. 이것이 옳다면, 인간의 뇌는 적어도 기본 원칙의 복잡성 측면에서는 침팬지 뇌의 사소한 업그레이드에 불과할 수 있습니다. 우리만의 독특한 능력에 대한 관습적인 인간 우월주의에도 불구하고 이것이 상상할 수 없는 일은 아닙니다. 침팬지와 인간의 유전적 계통은 진화 시간 척도에서 눈 깜짝할 새인 불과 500만 년 전에 갈라졌기 때문입니다. 그러나 더 설득력 있는 논거가 없는 한 저는 관습적인 인간 우월주의에 동조합니다. 제 생각에 인간 사고의 가장 흥미로운 기본 원칙들은 침팬지와 공유하는 게놈 부분 보다는 그 1억 2,500만 비트에 담겨 있을 가능성이 높습니다.
분자 생물학 관점에서 뇌를 보면 복잡성 묘사를 약 9자리 수 줄일 수 있습니다. 이는 고무적이지만 지능을 위한 단순한 알고리즘이 가능한지 여부를 말해주지 않습니다. 복잡성을 더 줄일 수 있을까요? 그리고 더 중요한 점은 지능을 위한 단순한 알고리즘이 가능한지에 대한 질문을 해결해줄 수 있을까요?
안타깝게도 이 질문을 결정적으로 해결할 만큼 강력한 증거는 아직 없습니다. 지금부터 설명하는 내용은 포괄적인 것이 아니라 최근 연구 분위기를 전달하기 위한 매우 간략하고 불완전한 개요라는 점을 미리 말씀드립니다.
지능을 위한 단순한 알고리즘이 있을 수 있음을 시사하는 증거 중 하나는 2000년 4월 네이처(Nature)지에 보고된 실험입니다. 므리가냐 수르(Mriganka Sur)가 이끄는 과학자 팀은 갓 태어난 페럿의 뇌를 재배선했습니다. 일반적으로 페럿의 눈에서 오는 신호는 시각 피질이라는 뇌 영억으로 전달됩니다. 하지만 이 페럿의 경우 과학자들은 눈에서 오는 신호를 다른 곳으로 돌려 청각 피질, 즉 보통 듣기에 사용되는 뇌 영역으로 가게 했습니다.
이들이 이렇게 했을 때 무슨 일이 일어나는지 이해하려면 시각 피질에 대해 조금 알아야 합니다. 시각 피질에는 많은 방향 기둥이 있습니다. 이들은 작은 뉴런 덩어리들로 각각 특정 방향에서 오는 시각적 자극에 반응합니다. 방향 기둥을 작은 방향 센서라고 생각할 수 있습니다. 누군가 특정 방향에서 밝은 빛을 비추면 해당 방향 기둥이 활성화 됩니다. 빛이 움직이면 다른 방향 기둥이 활성화됩니다. 시각 피질에서 가장 중요한 상위 수준의 구조 중 하나는 방향 기둥이 어떻게 배열되어 있는지를 보여주는 방향 지도(orientation map)입니다.
과학자들은 페럿의 눈에서 오는 시각 신호가 청각 피질로 우회되었을 때, 청각 피질이 변했다는 것을 발견했습니다. 청각 피질에 방향 기둥과 방향 지도가 나타나기 시작했습니다. 이는 보통 시각 피질에서 발견되는 방향 지도보다 더 무질서 했지만, 의심할 여지 없이 유사했습니다.
더 나아가 과학자들은 페럿이 시각 자극에 어떻게 반응하는지에 대한 간단한 행동 테스트를 수행하여, 빛이 다른 방향에서 번쩍일 때 다르게 반응하도록 훈련시켰습니다. 이 테스트들은 페럿이 청각 피질을 사용하여 적어도 초보적인 방식으로 보는 법을 여전히 배울 수 있음을 시사했습니다.
이것은 놀라운 결과입니다. 뇌의 다른 부분들이 감각 데이터에 반응하는 법을 배우는 데 공통적인 원칙이 있음을 시사하기 때문입니다. 이러한 공통점은 지능의 밑바탕에 간단한 원칙의 집합이 있다는 아이디어를 적어도 어느 정도 뒷받침합니다.
그러나 이 실험에서 페럿의 시력이 얼마나 좋았는지에 대해 스스로 속여서는 안 됩니다. 행동 테스트는 시각의 매우 거친 측면만 테스트 했습니다. 그리고 물론 우리는 페럿에게 보는 법을 배웠냐고 질문할 수도 없었습니다. 따라서 이 실험들은 재배선된 청각피질이 페럿에게 높은 충실도의 시각 경험을 제공했다는 것을 증명하지는 않습니다. 그래서 이 실험들이 뇌의 다른 부분들이 배우는 방식에 공통 원칙이 있다는 아이디어를 지지하는 제한적인 증거만 제공합니다.
지능에 대한 간단한 알고리즘이 존재한다는 생각에 반대되는 증거는 무엇일까요? 몇 가지 증거는 진화 심리학과 신경 해부학 분야에서 나왔습니다. 1960년대 이후, 진화 심리학자들은 문화나 양육 환경에 관계없이 모든 인간에게 공통적으로 나타나는 복잡한 행동, 즉 인간 보편성을 광범위하게 발견했습니다. 이러한 인간 보편성에는 모자간 근친상간 금기, 음악 및 춤, 그리고 욕설(즉 금기어), 대명사, 심지어 동사와 같은 기본적인 구조를 포함하는 복잡한 언어 구조가 포함됩니다.
이러한 발견들을 뒷받침하듯, 신경 해부학 분야의 수많은 증거는 많은 인간 행동이 뇌의 특정 국소 영역에 의해 통제되며, 이 영역들이 모든 사람에게 유사하게 나타난다는 것을 보여줍니다. 이러한 결과들을 종합해 보면, 매우 특화된 많은 행동들이 우리 뇌의 특정 부분에 선천적으로 연결되어 있음을 시사합니다.
일부 사람들은 이러한 결과들로 부터 이 많은 뇌 기능에 대해 각기 다른 설명이 필요하며, 결과적으로 뇌 기능에는 환원 불가능한 복잡성이 존재한다는 결론을 내립니다. 이러한 복잡성 때문에 뇌의 작동에 대한 간단한 설명(그리고 어쩌면 지능에 대한 간단한 알고리즘)은 불가능하다고 보는 것입니다. 예를 들어 이러한 관점을 가진 유명한 인공지능 연구자 중 한명이 마빈 민스키(Marvin Minsky)입니다. 1970년대와 1980년대에 민스키는 "마음의 사회(Society of Mind)" 이론을 발전시켰는데, 이 이론은 인간의 지능은 민스키가 "에이전트(agents)"라고 부르는 개별적으로는 단순하지만(그러나 매우 다른) 수많은 계산 과정들의 거대한 사회의 결과물이라는 생각에 기반을 두고 있습니다. 그의 이론을 설명하는 책에서 민스키는 이 관점의 힘을 다음과 같이 요약합니다.
"어떤 마법 같은 속임수가 우리를 지능적으로 만드는가? 속임수는 없다. 지능의 힘은 어떤 단 하나의 완벽한 원리에서 나오는 것이 아니라, 우리의 방대한 다양성에서 비롯된다."
민스키는 자신의 책에 대한 서평에 응답하며, 위에서 언급한 것과 유사한 주장을 신경 해부학과 진화 심리학에 기반하여 "마음의 사회" 이론의 동기를 상세히 설명했습니다.
"우리는 이제 뇌 자체가 수백 개의 다른 영역과 핵으로 구성되어 있으며, 각각 현저히 다른 구조적 요소와 배열을 가지고 있고, 그 중 많은 부분이 우리 정신 활동의 명백히 다른 측면에 관여한다는 것을 알고 있다. 이이 현대적인 지식의 방대한 양은 '지능'이나 '이해'와 같은 상식적인 용어로 전통적으로 묘사되던 많은 현상들이 실제로는 기계의 복잡한 조합을 포함한다는 것을 보여줍니다."
물론 민스키가 이러한 관점을 가진 유일한 사람은 아니며, 여기서는 민스키를 이 주장을 지지하는 한 예시로 들었을 뿐입니다. 이 주장은 흥미롭지만, 그 증거가 설득력 있는지는 재고해볼 필요가 있습니다. 뇌가 다른 기능을 가진 수많은 영역으로 구성되어 있다는 것은 사실이지만, 그렇다고 해서 뇌가 기능에 대한 간단한 설명이 불가능하다는 결론의 근거가 될 수는 없습니다. 아마도 그러한 구조적 차이들은 혜성, 행성, 태양, 별의 움직임이 모두 단일한 중력에서 비롯되는 것처럼 공통적인 근본 원리에서 비롯될 수도 있습니다. 민스키를 포함해 그 누구도 그러한 근본 원리에 대해 설득력 있게 반박하지는 못했습니다.
저의 개인적인 편견은 지능을 위한 단순한 알고리즘이 존재한다는 쪽입니다. 그리고 제가 이 아이디어를 좋아하는 주된 이유는 (결론이 나지 않은) 위의 논쟁들을 넘어서 그것이 낙관적인 아이디어이기 때문입니다. 연구에 있어서 정당화되지 않은 낙관론은 겉보기에 더 정당해 보이는 비관론보다 훨씬 더 생산적일 때가 많습니다. 낙관주의자는 새로운 시도를 해볼 용기가 있기 때문입니다. 그것이 바로 발견으로 가는 길이며, 설령 발견된 것이 원래 바라던 것이 아닐지라도 말입니다. 비관주의자는 어떤 좁은 의미에서는 더 '정확'할지는 모르지만 낙관주의자보다 발견하는 것이 적을 것입니다.
이러한 관점은 우리가 일반적으로 아이디어를 판단하는 방식, 즉 옭고 그름을 알아내려고 하는 방식과는 극명한 대조를 이룹니다. 이는 일상적인 연구의 일상적인 세부 사항을 다루는 데 합리적인 전략입니다. 아지만 연구 프로그램 전체를 정의하는 대담하고 큰 아이디어를 판단하는 데는 잘못된 방식일 수 있습니다. 때로는 그러한 아이디어가 옳은지 아닌지에 대한 증거가 미약할 뿐일 때가 있습니다. 우리는 이용 가능한 증거를 뚫어져라 쳐다보며 무엇이 진실인지 분간하려 애쓰는 대신, 그 아이디어를 좇는 것을 온순하게 거부할 수 있습니다. 혹은 아무도 아직 모른다는 것을 받아들이고 성공을 보장할 수 없다는 것을 이해하면서도 그 크고 대담한 아이디어를 발전시키기 위해 열심히 노력할 수 있습니다. 오직 그럴 때만이 우리의 이해가 진전됩니다.
이 모든 것을 고려할 때, 가장 낙관적인 형태에서는 우리가 지능을 위한 단순한 알고리즘을 결코 찾을 수 없을 것이라고 믿습니다. 더 구체적으로 말해 인공지능을 구현하는 짧은 파이선 프로그램을 결코 찾지 못할 것이라고 믿습니다. 또한 인공지능을 구현할 수 있는 정말 쉽게 설명되는 신경망을 찾을 수 있을 것이라고도 생각하지 않습니다.
하지만 저는 그러한 프로그램이나 신경망을 찾을 수 있는 것처럼 행동하는 것이 가치가 있다고 믿습니다. 그것이 통찰로 가는 길이며, 그 길을 추구함으로써 우리는 언젠가 지능을 보여주는 더 긴 프로그램이나 더 정교한 신경망을 구성할 만큼 충분하 이해하게 될 것입니다. 따라서 극도로 단순한 알고리즘이 존재하는 것처럼 행동하는 것은 가치있는 일입니다.
1980년대에 저명한 수학자이자 컴퓨터 과학자인 잭 슈워츠(Jack Schwartz)는 인공지능 옹호론자와 회의론자 간의 토론에 초대받았습니다. 토론은 거칠어졌고, 옹호론자들은 곧 놀라운 일이 벌어질 것이라는 과장된 주장을 펼쳤고, 회의론자들은 인공지능은 아예 불가능하다고 주장하며 비관론을 강화했습니다. 슈워츠는 토론의 외부인이었기에 논의가 뜨거워지는 동안 침묵을 지켰습니다. 잠시 소강상태가 되지 그는 의견을 말해달라는 요청을 받았습니다. 그는 이렇게 말했습니다.
"음, 이러한 발전 중 일부는 100개의 노발상 거리에 놓여 있을 수도 있습니다."
저에게는 완벽한 답변으로 보였습니다. 인공지능의 핵심은 간단하고 강력한 아이디어이며, 우리는 그러한 아이디어를 낙관적으로 찾을 수 있고 또 찾아야 합니다. 하지만 우리는 그러한 아이디어가 많이 필요할 것이며, 아직 갈 길이 멀었습니다.
댓글 없음:
댓글 쓰기